Fugu-MT 論文翻訳(概要): Time Series Causal Discovery via Context-Conditioned and Causality-Augmented Pretraining

論文の概要: Time Series Causal Discovery via Context-Conditioned and Causality-Augmented Pretraining

arxiv url: http://arxiv.org/abs/2605.26759v1
Date: Tue, 26 May 2026 09:30:42 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-27 17:51:41.791196
Title: Time Series Causal Discovery via Context-Conditioned and Causality-Augmented Pretraining
Title（参考訳）: 文脈定義と因果学習による時系列因果発見
Abstract要約: 時系列からの因果発見は、異常の根本原因をトレースするなど、多くの現実世界の応用において重要である。 textbfTime-series textbfCausal textbfDiscovery のための新しい textbfPretraining フレームワーク textbfPTCD を提案する。
参考スコア（独自算出の注目度）: 17.01926647313838
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Causal discovery from time series is critical for many real-world applications, such as tracing the root causes of anomalies. Existing approaches typically rely on dataset-specific optimization, making it difficult to transfer their causal discovery capabilities to new time series governed by diverse causal mechanisms. In this paper, we propose \textbf{PTCD}, a novel \textbf{P}retraining framework for \textbf{T}ime-series \textbf{C}ausal \textbf{D}iscovery, which improves cross-task generalization through context-conditioned modeling and transferable causal augmentation. To model complex temporal causal dependencies, PTCD employs a dual-scale iterative attention mechanism to capture window-level causal relationships, and a Gaussian mixture with a context-level routing mechanism to handle heterogeneous exogenous distributions. To further address distribution shifts across causal graphs, PTCD adopts a pretraining paradigm on synthetic datasets that integrates intervention-based learning and a causal mixup strategy, promoting stable causal discovery and stronger generalization. Extensive experiments on multiple real-world out-of-distribution (OOD) datasets demonstrate that PTCD excels in both causal discovery and root cause identification.
Abstract（参考訳）: 時系列からの因果発見は、異常の根本原因をトレースするなど、多くの現実世界の応用において重要である。既存のアプローチは通常、データセット固有の最適化に依存しており、因果発見能力を様々な因果メカニズムによって支配される新しい時系列に転送することは困難である。本稿では、文脈条件付きモデリングと伝達可能な因果拡張により、クロスタスクの一般化を改善する、新規な \textbf{P}retraining framework for \textbf{T}ime-series \textbf{C}ausal \textbf{D}iscovery を提案する。複雑な時間的因果関係をモデル化するために、PTCDはウインドウレベルの因果関係を捉えるために二重スケールの反復的注意機構と、異種外生分布を扱うためのコンテキストレベルのルーティング機構とガウス的混合を用いる。因果グラフ間の分布シフトにさらに対処するため、PTCDは、介入に基づく学習と因果混合戦略を統合し、安定した因果発見とより強力な一般化を促進する合成データセットに事前訓練パラダイムを採用する。複数の実世界のアウト・オブ・ディストリビューション(OOD)データセットに対する大規模な実験は、PTCDが因果発見と根本原因同定の両方において優れていることを示した。

関連論文リスト

Causal Discovery with Inverted Self-attention for Multivariate Time Series [21.018583540683917]
本稿では,トランスアーキテクチャ内の自己認識機構を利用して因果発見を行う新しいフレームワークを提案する。本手法は,トークンを反転させ,注意点の疎結合を誘導することにより,潜伏因果関係と間接因果関係を強調する。また、グローバル因果関係を同定するグローバル因果関係アルゴリズムを開発し、因果関係の総合的指標を提供する。
論文参考訳（メタデータ） (2026-07-30T13:49:46Z)
CDFM: Towards a General-Purpose Causal Discovery Foundation Model [62.32138962508216]
因果発見は、観測データから根底にある因果構造を復元する過程である。ゼロショット構造推論のための統一的汎用フレームワークとしてCausal Discovery Foundation Model (CDFM) を定式化する。 CDFMは従来のアルゴリズムを一貫して上回り、汎用因果発見基盤モデルへのパラダイムシフトを推進している。
論文参考訳（メタデータ） (2026-07-13T12:58:28Z)
CausalMoE: A Billion-Scale Multimodal Foundation Model for Granger Causal Discovery with Pattern-Routed Heterogeneous Experts [25.563603697914242]
数十億のマルチモーダル・グランガー因果基盤モデルであるCausalMoEを提案する。 CaulMoEは、潜時パターンを動的に識別する、異種エキスパートのパターン制御混合を導入する。また、変数間で動作し、スパースグランガー因果グラフを生成する因果自覚機構を設計する。
論文参考訳（メタデータ） (2026-06-11T07:57:23Z)
Causal Ensemble Agent: Hierarchical Causal Discovery with LLM-guided Expert Reweighting [95.24017293537025]
Causal Ensemble Agent (CEA) は、さまざまなグラフレベルにわたる統計発見の専門家による構造的洞察を集約する新しいフレームワークである。 CEAは、幅広い因果発見手法において、最も優れた総合的なパフォーマンスを達成する。
論文参考訳（メタデータ） (2026-06-09T09:09:07Z)
TabCausal: Pretraining Across Causal Environments for Tabular Causal Discovery [47.81267771630766]
因果発見基盤モデル(CDFM)は、データセットを単一前方パスの因果グラフに直接マッピングすることで、この問題を改善しようとしている。本研究では,多彩なグラフ事前学習を訓練したデータ駆動CDFMであるTabCausalを提案する。
論文参考訳（メタデータ） (2026-05-29T11:05:43Z)
TTCD:Transformer Integrated Temporal Causal Discovery from Non-Stationary Time Series Data [0.18097009159779617]
非定常時系列から同時・ラタグ因果関係を学習するエンドツーエンドアプローチを提案する。キーとなる革新は因果信号の蒸留であり、変圧器デコーダの再構成プロセスを通じて必須因果信号を蒸留する。合成、ベンチマーク、実世界のデータセットの実験は、TTCDがドメイン知識の正確性と一貫性の両方において、最先端のベースラインを一貫して上回っていることを示している。
論文参考訳（メタデータ） (2026-04-27T19:44:38Z)
Spatio-Temporal Hierarchical Causal Models [12.518908171952113]
本稿では,階層因果モデリングを時間領域に拡張する新しいグラフィカルフレームワークである,時空間階層因果モデル(ST-HC-Ms)を紹介する。我々のアプローチの核となるのは時空間崩壊理論であり、これは複雑なST-HC-Msが、量が増加するにつれて単純な平らな因果モデルに収束することを示している。我々は、複雑な力学系における堅牢な因果推論の可能性を示すために、合成データセットと実世界のデータセットの両方でフレームワークを検証した。
論文参考訳（メタデータ） (2025-11-25T17:56:43Z)
Learning Time-Aware Causal Representation for Model Generalization in Evolving Domains [50.66049136093248]
動的因果要因と因果機構のドリフトを組み込んだ時間認識型構造因果モデル(SCM)を開発した。本研究では,時間領域毎に最適な因果予測値が得られることを示す。合成と実世界の両方のデータセットの結果から,SynCは時間的一般化性能に優れることが示された。
論文参考訳（メタデータ） (2025-06-21T14:05:37Z)
Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
論文参考訳（メタデータ） (2024-02-04T05:50:38Z)
Causal Temporal Regime Structure Learning [49.77103348208835]
本稿では,DAG(Directed Acyclic Graph)を並列に学習する新しい手法であるCASTORを提案する。我々は我々の枠組みの中で体制とDAGの識別可能性を確立する。実験により、CASTORは既存の因果発見モデルより一貫して優れていることが示された。
論文参考訳（メタデータ） (2023-11-02T17:26:49Z)
Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文参考訳（メタデータ） (2022-06-30T06:00:13Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。